于秀丽

(大连海洋大学 辽宁 大连 116023)

引言

环境问题一直以来都是世界各国关注的焦点，大气污染影响着人类的身心健康，是生态文明的根源，影响着社会可持续发展。区域大气环境质量问题是我国经济发展中出现的重要问题，许多学者都开始对此进行关注。[1]PM2.5对人类健康和大气环境质量影响十分严重，建立可靠的空气污染预测预警系统，为决策部门控制污染物排放提供参考，对于保护人们的身体健康和促进社会的和谐稳定具有重要的科学价值和实际意义。

目前，国内外学者对大气污染预测的研究主要是对空气质量指数(Air Quality Index，AQI)的研究，尤其集中在以PM2.5为主的污染物浓度预测。Vlachogianni等利用多元线性回归对不同地区的NOx和PM10浓度进行研究，检验了由于不同气候条件而导致的模型预测能力变化，[2]练秀缘结合时间序列模型和多元回归理论对PM2.5建模预测研究；[3]Wu等人研究了日常城市空气质量预测的问题，通过对变分模式子序列进行重组解决过度分解的问题；[4]Wang等人研究了一种基于L1范式的空气质量预测问题，使用多跟踪器优化算法参数确定最终的预测结果；[5]罗宏远等人提出了基于二层分解技术和改进极限学习机模型的PM2.5浓度预测方法，融合了模态分解技术以及差分演化算法优化。[6]上述模型针对多特征共同作用的常规性大气污染，虽然也能满足对空气质量预测的要求，预测模型可以显著提高PM2.5浓度的预测精度，但计算过程相对比较复杂，尤其针对由单特征显著主导的突发性大气污染时，融合模型需要进一步探索。本文聚焦沿海区域火灾烟尘排放数据，融合气象信息，探索该排放对周围居民空气质量预测的影响。在王旭坪等[7]的研究基础上，选用高斯烟羽模型求解PM2.5的污染扩散，利用蚁群神经网络模型进行预测问题讨论，并用具体的监测数据对模型进行了验证，结果表明模型能够完成对该地区的污染预测分析。

1 问题描述及提出方法

针对沿海区域突发性大气污染，以火灾为例探索如何以特征信息为核心，通过特征融合的不断创新以最大限度捕捉信息，获取较大的预测进展以及较好的预测精度。

依据《环境空气质量标准(GB3095-2012)》中的AQI计算方法：第一步是比较各项污染物的分级浓度限值，分别计算得出空气质量分指数(IAQI)；第二步是从各项污染物的IAQI中选择最大值，并将其确定为AQI，当AQI大于50时，IAQI最大的污染物被确定为首要污染物。由此可知，当园区发生火灾、泄漏等事件引起的大气污染时，由于首要污染物的显著性扩散，其IAQI将直接决定周围的空气质量指数。

因此，本文针对突发性园区大气污染设计特征处理的方法，分析大气污染的特征变量，针对由单特征显著主导的突发性大气污染情况，分析单特征污染物的扩散结果，结合高斯扩散模型和神经网络模型，实现大气污染影响预测。该方法根据沿海区域突发性大气污染的特征，建立融合准则，并在此基础上选择或修正模型形成最佳的特征融合方案，从而有效提高预测质量。

2 基于高斯烟羽模型的污染扩散

2.1 高斯烟羽模型

沿海区域内火灾虽然不是最严重的环境突发事件，但却是最常见的，火灾的发生通常会伴随大量的烟尘、一氧化碳、热(温度)、光(火焰)等，如果通过火灾把有毒物质泄漏到大气环境中或是水中，对沿海生态环境的破坏是非常严重的。因此，识别园区火灾发生后的隐患，为决策者提供技术支撑，降低发生重大环境污染事件的可能性，保障沿海生态环境更加有其重要的实际意义。

火灾发生时，物质在燃烧过程中产生的大量烟尘，成为对大气影响主要的因素，对周围环境产生不利影响。在此将烟尘(PM2.5)作为显著单特征，事故现场被视为污染源，研究这一时期大气污染物的扩散和浓度分布时，选择高斯烟羽模型进行解释，计算事故发生后释放的烟尘物质扩散对周围环境的影响，对园区周围监测点位的空气质量指数进行预测。假设所有影响物质扩散的因素变量是恒定不变的，并且物质在扩散过程中不会发生任何根本性的变化，定义Kx、Ky、Kz分别为x、y、z方向上的湍流扩散系数，将x轴表示为物质的流动方向，根据扩散微分方程化简得到：

高斯烟羽公式

(1)

其中，C(x, y, z)表示地点(x, y, z)处的物质浓度，(x0,y0,0)为烟羽中心坐标，σx、σy、σz分别表示x, y, z方向上的扩散系数，Q代表整个过程中物质的排放量。

一般情况下，污染物质的产生是在某一时段内连续地排放，因此以高斯烟羽为基础，将T时段内多个地点排放的污染物质看作是在点(x, y, z)处多个时间点产生的叠加。根据此假设，得出一种新的扩散模式：

可得扩散浓度公式：

(2)

通常计算，取σx=σy=γ1Xα1，σz=γ2Xα2。在确定稳定度后，取样时间在30分钟以内，根据横向、垂直扩散参数幂函数表达式数据，选取有风条件下的扩散参数σy、σz。

2.2 模型应用与结果分析

本研究中，SO2质量指数、NO2质量指数、CO质量指数、O3质量指数等均来自当地环境监测站空气质量日报数据中心，风速、大气压和温度均来自气象局，如表1所示。

表1 当地空气和气象数据采集

确定稳定度后，取样时间在30分钟以内时，根据有风条件下的扩散参数σy、σz，假设突发火灾区域为20m*20m*1m的空间，则根据火灾发生当前PM2.5的浓度值，可以得到Q=0.27*105，风速u为研究日的当天风速，监测点位距离着火源1km，PM2.5的浓度突然增值两倍，继而高斯扩散模型求出2019年4月21日的火灾。因仓库木质材料起火，面积约400m2，可燃气体增加了PM2.5在空气中的浓度，进入大气造成大气污染。发生扩散数小时后，距离火灾发生地1km外的沿海核心居民生活区监测点的PM2.5污染浓度值，如2所示。

表2 PM2.5污染扩散的计算结果

对于火灾扩散引起的突发性大气污染，与以往的常规性空气污染预报系统相比，其内部结构更加精简化，分析单特征污染物的扩散结果，在一定程度上缩短了火灾扩散信息的获取时间，提高了预测环节的效率。比较PM2.5污染扩散情况与当天监测点位的实际检测指数，与实测PM2.5走势基本一致。表明污染扩散模型具有良好的拟合效果，基本能够描述实际PM2.5污染物的产生和扩散。

3 基于蚁群神经网络的影响预测

3.1 蚁群神经网络模型

对污染特征的选取问题，若特征参量选取合理有效，系统识别处理信息的正确率就高。讨论火灾烟尘的扩散对大气环境的影响， PM2.5的演变和其它污染物以及气象条件有直接关系，所以将SO2、NO2、CO、O3、风速、大气压和温度这7个特征参量也纳入特征参量的集合，判断当前沿海区域待监测环境中发生污染存在的概率，y为空气质量指数(无污染、轻微污染、轻度污染、中度污染、重度污染和严重污染等)，作为预测的输出结果。采用三层前馈BP神经网络进行网络参数的训练，建立BP神经网络结构，如图1所示。

图1 BP神经网络结构

上图中BP神经网络有八个输入节点xi，分别表示PM2.5浓度、CO浓度、…、温度大小，每一个输入层节点对应一个传感器信号，ωik表示输入层节点i到隐藏层节点k的连接权值，ωko表示隐藏层节点k与输出层节点o的连接权值，yo表示网络的输出层节点。由于BP神经网络的局部极小、收敛速度慢等问题，通过蚁群算法为BP神经网络的初始权值和阈值寻优，经过合理选取蚁群模型参数，利用最佳的权值和阈值组合来优化BP神经网络性能，加快算法收敛速度，提高预测精度。

3.2 模型应用与结果分析

通过PM2.5、SO2、NO2、CO、O3、风速、大气压和温度共8个自变量数据来预测对应的空气质量等级。针对不同的机器学习算法，本质是在不同的数据空间观测数据，根据自身算法规则构建相应模型。预测结果通过拟合优度(R2)进行评测，拟合优度R2的值越接近1，说明回归对观测值的拟合程度越好。不同模型的R2在数据集的表现如图2所示。

图2 多种机器学习算法在R2的表现

结果发现，神经网络拟合优度的值最接近1，预测效果最优。选择3层BP神经网络进行仿真分析，按照经验公式并经反复训练调试。误差收敛因子为0.00001，学习率为0.1，为使神经网络获得更好的预测效果，选择合理的蚁群模型，调整神经网络的权重和偏置参数，进行网络的有效训练，蚁群算法的参数为信息素强度Q=0.1，信息素挥发系数ρ=0.05，蚂蚁数h=20，最大优化次数10。获得最优个体，并将最优个体解作为BP网络的初始权值和阈值，在此基础上进行网络训练。将预测值和实际值进行比较，可得出BP神经网络的训练误差曲线及蚁群神经网络训练误差，结果表明，蚁群神经网络模型具有较高的预测精度，实际值与预测值的曲线趋势如图3所示。

从给出的图结果可以看出，ACO-BP的曲线拟合效果优于BP神经网络，ACO-BP模型建立的可靠性和可信性水平较高，能够解决和说明实际问题。两种方法对比情况如表3所示。

表3 BP网络算法和ACO-BP算法的比较

输出结果表明，蚁群神经网络的输出误差较小，说明蚁群神经网络能有效地提高BP神经网络的收敛速度，同时克服了陷入局部极小值的缺陷，显著提高了预测精度，证明了算法的可行性和有效性。

结语

针对单特征显著主导的突发性大气污染情况，分析单特征污染物的扩散结果，然后基于特征融合模型预测污染影响，从而有效提高预测质量。研究首先采用高斯模型对PM2.5的扩散趋势进行预测，并计算出PM2.5的污染扩散范围；而后，结合气象因素及其它空气污染物对PM2.5浓度的影响，构建一个空气质量指数的演变模型，通过蚁群神经网络完成对沿海区域的污染影响预测，最后用监测点的数据对模型进行验证。结果表明，模型能够完成对该地区的污染预测分析。通过研究发现，高斯烟羽模型可以很好地拟合PM2.5的扩散规律，但由于扩散本身是一个非常复杂的问题，因此模型的适应范围仍需要进一步研究。例如，扩大其应用范围，考虑更多的因素对模型进行适度改进，以获得更好的模拟效果，解决更多的实际问题。